PG-Mamba: Un marco gráfico mejorado para el agrupamiento de series temporales basadas en Mamba

Área de la Ciencia:

• Ciencia de los datos
• Aprendizaje automático
• Inteligencia artificial

Sus antecedentes:

• El agrupamiento de series temporales es crucial, pero se ve desafiado por la calidad de los datos y las limitaciones del método.
• Las características de series temporales de baja dimensión y el ruido dificultan el descubrimiento de patrones.
• Los métodos existentes a menudo se basan en asociaciones en pares, luchando con conjuntos de datos masivos.

Objetivo del estudio:

• Introducir un nuevo marco, el Patch Graph Mamba (PG-Mamba), para mejorar el agrupamiento de series temporales.
• Abordar las limitaciones de los métodos existentes en el manejo de series temporales ruidosas y con escasa información.
• Explorar patrones espacio-temporales dentro de series temporales individuales para mejorar el agrupamiento.

Principales métodos:

• Dividiendo las series temporales en parches para construir un gráfico espacio-temporal (STG).
• Utilizando Mamba para el aprendizaje de dependencia de largo alcance y un mecanismo de atención de gráfico.
• Incorporando una pérdida de reconstrucción de la matriz de adyacencia espacio-temporal para estabilizar el espacio de la característica.

Principales resultados:

• PG-Mamba demuestra un rendimiento superior a los métodos de agrupación de series temporales de última generación.
• Logró el rango promedio más alto (3.606) en 33 conjuntos de datos de archivo UCR.
• Aseguró la mayoría de los primeros puestos (13) en las tareas de agrupación de series temporales.

Conclusiones:

• PG-Mamba extrae eficazmente la información clave de las series temporales mediante la captura de la dinámica espacio-temporal.
• El marco ofrece un nuevo enfoque para el agrupamiento de series temporales, especialmente para datos ruidosos y de baja dimensión.
• PG-Mamba proporciona avances significativos y nuevos conocimientos en el campo del análisis de series temporales.